基于神经网络的产品倾向性识别方法和相关装置与流程

1.本发明实施例涉及人工智能技术领域，尤其是一种基于神经网络的产品倾向性识别方法和相关装置。


背景技术：

2.目前的智能营销中，能够基于产品之间的相似性向用户推荐感兴趣的产品。例如，用户在医院购买某类保健品或者医疗器材后，可以根据用户购买的保健品或者医疗器材的类型，为用户推荐同类的其他保健品或者医疗器材。
3.相关技术中，智能营销主要采用协同过滤算法，利用兴趣相投的用户群体的共同倾向为目标用户推荐产品。这种推荐方法中，一方面仅仅依靠用户之间的相似度确定目标用户的邻居，导致产品推荐的精度较低；另一方面，这种推荐方法还依赖于用户对同类产品的使用、评价等信息预测，受用户主观影响较大，导致推荐产品存在偏差。


技术实现要素：

4.本发明实施例提供一种能够提高用户推荐产品准确性的基于神经网络的产品倾向性识别方法和相关装置。
5.为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种基于神经网络的产品倾向性识别方法，包括：获取目标用户的行为数据；所述行为数据用于指示所述目标客户对目标产品库内各类产品的使用信息；基于预先训练的倾向性识别模型提取所述行为数据的产品倾向特征，得到所述目标用户对所述各类产品的倾向性识别结果；所述倾向性识别模型为根据倾向性评分法确定的倾向性数据集训练得到的；根据所述目标用户对所述各类产品的倾向性识别结果，确定所述目标用户的推荐产品；将所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据存储于区块内；所述区块应用于区块链；所述区块链用于向所述区块链内的各个节点共享所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据；向所述其他节点发送所述区块，以使得所述其他节点对应的电子设备存储所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据。
6.在一些方式中，在所述获取目标用户的行为数据之前，还包括：获取用户的产品行为数据；所述产品行为数据标注有产品类型标签和产品倾向性标签；根据所述用户的产品行为数据和神经网络训练，得到所述倾向性识别模型。
7.在一些方式中，所述根据所述用户的产品行为数据和神经网络训练，得到所述倾向性识别模型，包括：基于所述产品行为数据对所述神经网络进行产品倾向性的识别训练，得到目标产品倾向性预测结果；基于所述产品行为数据对所述神经网络进行产品类型的识别训练，得到目标产品类型预测结果；根据所述目标产品倾向性预测结果和所述产品倾向性标签确定目标倾向性损失值，根据所述目标产品类型预测结果与所述产品类型标签确定目标类型损失值；将所述目标倾向性损失值和所述目标类型损失值之和确定为目标损失
值；在所述目标损失值不满足预设条件时，调整神经网络的参数，重复上述模型训练步骤；在所述目标损失值满足所述预设条件时，将当前神经网络确定为所述倾向性识别模型。
8.在一些方式中，所述预设条件为所述目标损失值小于第二阈值。
9.在一些方式中，所述神经网络模型为长短期记忆神经网络，包括特征提取层、全连接层和逻辑回归层；所述特征提取层用于提取所述行为数据的行为特征；所述全连接层用于综合所述特征提取层提取的行为特征，并将其拼接为目标向量，作为所述逻辑回归层的输入；所述逻辑回归层用于将所述全连接层的输出结果转换为用户对产品的倾向性识别结果。
10.在一些方式中，所述全连接层通过下列公式对输出参数进行非线性变换：
11.y＝f(wx b)；
12.其中，f为激活函数，w为权重矩阵，x为所述全连接层的输入，b为偏置向量；
13.所述逻辑回归层通过下列公式确定所述倾向性识别结果：
[0014][0015]
其中，z
j
＝w'x
j
b'，x
j
为全连接层的输出，w'为所述逻辑回归层的权重矩阵，b'为偏置向量。
[0016]
在一些方式中，所述全连接层包括第一全连接层、第二全连接层和第三全连接层，所述逻辑回归层包括第一逻辑回归层、第二逻辑回归层和第三逻辑回归层；根据所述用户的产品行为数据训练所述第一全连接层和所述第一逻辑回归层，得到产品倾向性识别模型；根据所述用户的产品行为数据训练所述第二全连接层和所述第二逻辑回归层，得到产品类型识别模型；根据所述产品倾向性识别模型的输出特征和所述产品类型识别模型的输出特征训练所述第三全连接层和所述第三逻辑回归层得到所述倾向性识别模型。
[0017]
为解决上述技术问题，本发明实施例还提供一种基于神经网络的产品倾向性识别装置，包括：获取模块，用于获取目标用户的行为数据；所述行为数据用于指示所述目标用户对目标产品库内各类产品的使用信息；识别模块，用于基于预先训练的倾向性识别模型提取所述获取模块获取的所述行为数据的产品倾向特征，得到所述目标用户对所述各类产品的倾向性识别结果；所述倾向性识别模型为根据倾向性评分法确定的倾向性数据集训练得到的；确定模块，用于根据所述识别模块确定的所述目标用户对所述各类产品的倾向性识别结果，确定所述目标用户的推荐产品；区块链模块，用于将所述确定模块确定的所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据存储于区块内；所述区块应用于区块链；所述区块链用于向所述区块链内的各个节点共享所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据；所述区块链模块，还用于向所述其他节点发送所述区块，以使得所述其他节点对应的电子设备存储所述倾向性识别结果，以及所述倾向性识别结果对应用户的行为数据。
[0018]
在一些方式中，所述装置还包括训练模块。
[0019]
在所述获取目标用户的行为数据之前，所述获取模块，还用于获取用户的产品行为数据；所述产品行为数据标注有产品类型标签和产品倾向性标签；
[0020]
所述训练模块，用于根据所述获取模块获取的所述用户的产品行为数据和神经网络训练，得到所述倾向性识别模型。
[0021]
在一些方式中，所述训练模块，具体用于：基于所述产品行为数据对所述神经网络进行产品倾向性的识别训练，得到目标产品倾向性预测结果；基于所述产品行为数据对所述神经网络进行产品类型的识别训练，得到目标产品类型预测结果；根据所述目标产品倾向性预测结果和所述产品倾向性标签确定目标倾向性损失值，根据所述目标产品类型预测结果与所述产品类型标签确定目标类型损失值；将所述目标倾向性损失值和所述目标类型损失值之和确定为目标损失值；在所述目标损失值不满足预设条件时，调整神经网络的参数，重复上述模型训练步骤；在所述目标损失值满足所述预设条件时，将当前神经网络确定为所述倾向性识别模型。
[0022]
在一些方式中，所述预设条件为所述目标损失值小于第二阈值。
[0023]
在一些方式中，所述神经网络模型为长短期记忆神经网络，包括特征提取层、全连接层和逻辑回归层；所述特征提取层用于提取所述行为数据的行为特征；所述全连接层用于综合所述特征提取层提取的行为特征，并将其拼接为目标向量，作为所述逻辑回归层的输入；所述逻辑回归层用于将所述全连接层的输出结果转换为用户对产品的倾向性识别结果。
[0024]
在一些方式中，所述全连接层通过下列公式对输出参数进行非线性变换：
[0025]
y＝f(wx b)；
[0026]
其中，f为激活函数，w为权重矩阵，x为所述全连接层的输入，b为偏置向量；
[0027]
所述逻辑回归层通过下列公式确定所述倾向性识别结果：
[0028][0029]
其中，z
j
＝w'x
j
b'，x
j
为全连接层的输出，w'为所述逻辑回归层的权重矩阵，b'为偏置向量。
[0030]
在一些方式中，所述全连接层包括第一全连接层、第二全连接层和第三全连接层，所述逻辑回归层包括第一逻辑回归层、第二逻辑回归层和第三逻辑回归层。所述训练模块，具体用于：根据所述用户的产品行为数据训练所述第一全连接层和所述第一逻辑回归层，得到产品倾向性识别模型；根据所述用户的产品行为数据训练所述第二全连接层和所述第二逻辑回归层，得到产品类型识别模型；根据所述产品倾向性识别模型的输出特征和所述产品类型识别模型的输出特征训练所述第三全连接层和所述第三逻辑回归层得到所述倾向性识别模型。
[0031]
为解决上述技术问题本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述基于神经网络的产品倾向性识别方法的步骤。
[0032]
为解决上述技术问题本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述基于神经网络的产品倾向性识别方法的步骤。
[0033]
本发明实施例的有益效果是：通过倾向性评分法确定训练倾向性识别模型的数据集，根据倾向性评分法确定的数据集可以提高数据集中用户与推荐产品之间的准确性；因此，在将该数据集作为训练数据集训练倾向性识别模型时，能够提高该倾向性识别模型预测推荐产品的准确性。且本技术通过区块链存储用户的倾向性识别结果，能够实现快速、安
全地共享数据，且通过区块链共享该结果，可以实现所有商家共享产品推荐信息，以提高各个商家共享用户行为数据的积极性。
附图说明
[0034]
本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0035]
图1为本技术一个具体实施例的实施环境的架构示意图；
[0036]
图2为本技术一个具体实施例的基于神经网络的产品倾向性识别方法的流程示意图之一；
[0037]
图3为本技术一个具体实施例的倾向性识别模型训练的流程示意图之一；
[0038]
图4为本技术一个具体实施例的倾向性识别模型训练的流程示意图之二；
[0039]
图5为本技术一个具体实施例的倾向性识别模型的结构示意图；
[0040]
图6为本技术一个具体实施例的基于神经网络的产品倾向性识别装置的基本结构示意图；
[0041]
图7为本技术一个实施例的计算机设备的基本结构框图。
具体实施方式
[0042]
下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
[0043]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
[0044]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0045]
本技术实施例可以基于人工智能技术对相关的营销策略进行制定。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0046]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0047]
相关技术中，智能营销领域主要采用协同过滤算法，利用兴趣相投的用户群体的共同倾向为目标用户推荐产品。这种推荐方法中，一方面仅仅依靠用户之间的相似度确定目标用户的邻居，导致产品推荐的精度较低；另一方面，这种推荐方法还依赖于用户对同类产品的使用、评价等信息预测，受用户主观影响较大，导致推荐产品存在偏差。
[0048]
基于上述问题，本技术实施例提供一种基于神经网络的产品倾向性识别方法，通过倾向性评分法确定训练倾向性识别模型的数据集，根据倾向性评分法确定的数据集可以提高数据集中用户与推荐产品之间的准确性；因此，在将该数据集作为训练数据集训练倾向性识别模型时，能够提高该倾向性识别模型预测推荐产品的准确性。
[0049]
图1是根据一示例性实施例示出的一种实施环境的架构图，如图1所示，上述基于神经网络的产品倾向性识别方法可以应用于该实施环境中。该实施环境包括终端01和电子设备02。其中，终端01和电子设备02之间可以通过无线网络连接。
[0050]
在一种可实施的方式中，终端01可以运行与电子设备02关联的应用程序，基于该应用程序可以登录电子设备02，从而与电子设备02进行交互。
[0051]
在一种可实施的方式中，电子设备02可以为服务器，该服务器可以是一台服务器，也可以是由多台服务器组成的服务器集群，或者是一个云计算服务中心。电子设备02可以包括处理器、存储器以及网络接口等。
[0052]
在一种可实施的方式中，终端01用于向用户提供语音和/或数据连通性服务。终端01可以有不同的名称，例如ue、端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信设备、车辆用户设备、终端代理或终端装置等。
[0053]
可选的，终端01可以为各种具有通信功能的手持设备、车载设备、可穿戴设备、计算机，本公开实施例对此不作任何限定。例如，手持设备可以是智能手机。车载设备可以是车载导航系统。可穿戴设备可以是智能手环。计算机可以是个人数字助理(personal digital assistant，pda)电脑、平板型电脑以及膝上型电脑(laptop computer)。
[0054]
本领域技术人员应能理解上述终端仅为举例，其他现有的或今后可能出现的终端如可适用于本公开，也应包含在本公开保护范围以内，并在此以引用方式包含于此。
[0055]
基于上述实施环境，本公开实施例提供的基于神经网络的产品倾向性识别方法具体实现过程如下：
[0056]
下面结合各个附图对本公开实施例提供的基于神经网络的产品倾向性识别方法进行示例性的说明。
[0057]
图2是根据一示例性实施例示出的一种基于神经网络的产品倾向性识别方法的流程图，如图2所示，基于神经网络的产品倾向性识别方法可以应用于上述的电子设备或终端，该方法包括以下s101至s103。
[0058]
s101、获取目标用户的行为数据。
[0059]
其中，行为数据用于指示目标客户对目标产品库内各类产品的使用信息。
[0060]
具体地，上述的行为数据可以是基于神经网络的产品倾向性识别装置通过大数据获取的，目标用户对相关产品的了解、购买等信息。相关产品可以是目标产品库内的产品，也可以是目标产品库中各个产品的同类产品。
[0061]
示例性的，若目标产品库包括第一产品、第二产品、第三产品和第四产品，这里的目标产品库可以为第一商家提供的产品；实际中，第二商家可以提供第五产品、第六产品和
第七产品。其中，第五产品可以为第一产品的同类产品，第六产品可以为第二产品的同类产品，第七产品可以为第三产品的同类产品。
[0062]
因此，这里在获取目标用户的行为数据时，可以分别获取目标用户对第一产品、第二产品、第三产品和第四产品的了解、购买等信息，了解信息可以是通过大数据技术获取的目标用户查询相关产品的信息，购买信息可以是通过大数据技术获取的目标用户购买相关产品的信息。当然，由于目标产品库内的产品不仅由一家商家提供，还可以由其他商家提供，因此获取上述行为数据时，还可以获取目标用户对其他商家提供同类产品的了解、购买等信息。
[0063]
需要说明的是，上述同类产品不仅是指具有相同属性信息的产品，还可以是具有类似属性的产品。例如，上述的第一产品可以与第五产品的属性相同，如第一产品和第五产品具体包括第一属性，又如第一产品包括第一属性，第五产品包括第一属性和第二属性，则基于神经网络的产品倾向性识别装置在获取目标用户对第一产品的行为数据时，还可以获取目标用户对第五产品的行为数据。
[0064]
s102、基于预先训练的倾向性识别模型提取行为数据的产品倾向特征，得到目标用户对各类产品的倾向性识别结果。
[0065]
其中，倾向性识别模型为根据倾向性评分法确定的倾向性数据集训练得到的。
[0066]
具体地，以上述s101中目标用户对相关产品的行为数据作为倾向性识别模型的输入特征，则根据该输入特征倾向性识别模型可以得到对应的输出特征，即目标用户对相关产品的倾向性识别结果。该倾向性识别结果可以是目标用户对各类产品的预测概率，如目标用户对第一产品的倾向性识别结果可以为a，对第二产品的倾向性识别结果可以为b，对第三产品的倾向性识别结果可以为c等等。这里的a、b、c大于0，且小于1。
[0067]
一些可能的方式中，在获取目标用户对相关产品的行为数据后，可以将这些行为数据转换为对应的向量特征，如行为数据包括对产品的了解、购买记录，则根据是否产生相关记录将其设置为0、1或2，如目标用户从未了解过第一产品，则其对应的向量设置为0；若目标用户了解过第一产品，则其对应的向量设置为1；若目标用户购买过第一产品，则其对应的向量设置为2。
[0068]
在目标产品库包括第一产品、第二产品、第三产品和第四产品，目标用户对倾向性识别模型的输入特征可以为(0，1，1，2)。其中，0指示目标用户从未了解过第一产品，第一个1指示目标用户了解过第二产品，第二个1指示目标用户了解过第三产品，2指示目标用户购买过第四产品。
[0069]
当然，上述的目标产品库仅为示例性的，在目标产品库内的产品还包括其他同类产品时，根据目标用户对这些同类产品的行为数据也可以确定对应的向量。此时，可以将目标用户对目标产品库内的产品与上述同类产品对应的向量信息作为向量特征内的向量。例如，向量特征可以为(a，b，c，d，e，f，
…
)，其中a为目标用户对第一产品的向量，b为目标用户对第二产品的向量，c为目标用户对第三产品的向量，d为目标用户对第四产品的向量，e为目标用户对第五产品的向量，f为目标用户对第六产品的向量
…
[0070]
上述向量特征即可以作为倾向性识别模型的输入特征，倾向性识别模型根据该输入特征输出的输出特征可以为(a，b，c，d，e，f，
…
)。
[0071]
需要说明的是，上述输入的向量特征内向量元素的个数是一定的，为识别倾向性
时的产品个数。如仅对目标产品库内的产品进行倾向性识别，这向量特征内的向量元素为目标产品库内产品的个数。
[0072]
上述行为数据中对各类产品的了解、购买信息仅为示例性的，实际中，还可以包括其他目标用户对各类产品间的使用信息。
[0073]
s103、根据目标用户对各类产品的倾向性识别结果，确定目标用户的推荐产品。
[0074]
示例性的，若倾向性识别模型输出的倾向性识别结果为(a，b，c，d，e，f，
…
)，则可以将a，b，c，d，e，f，
…
中最大的值对应的产品确定为推荐产品。如倾向性识别结果为(0.3，0.2，0.5，0.8，0.1)，则可以将0.8对应的第四产品确定为推荐产品推荐给目标用户。
[0075]
一些示例中，若倾向性识别模型的输出的倾向性识别结果为(a，b，c，d，e，f，
…
)，则可以将a，b，c，d，e，f，
…
与预设阈值比较，若大于或等于预设阈值，则将其输出为标签1，若小于预设阈值，则将其输出为标签0。如倾向性识别模型确定的目标用户对各类产品的倾向概率为(0.3，0.2，0.5，0.8，0.1)，预设阈值为0.6，则该倾向概率与预设阈值比较后，倾向性识别模型输出的倾向性识别结果为(0，0，0，1，0)，即将第四产品作为推荐产品推荐给目标用户。
[0076]
一些示例中，在倾向性识别结果包括多个倾向结果时，如(0，1，1，0，0)，此时可以将第二产品和第三产品确定为推荐产品，也可以将第二产品或第三产品中的任一个确定为推荐产品。
[0077]
s104、将倾向性识别结果，以及倾向性识别结果对应用户的行为数据存储于区块内。
[0078]
其中，区块应用于区块链；区块链用于向区块链内的各个节点共享倾向性识别结果，以及倾向性识别结果对应用户的行为数据。
[0079]
具体地，在区块链系统中，由于每个节点的信息都是共享的，因此，服务器节点可以获取到所有用户节点的信息。即服务器节点获取共享信息，并根据共享信息确定用户的倾向性识别结果。后续，服务器节点将共享信息和倾向性识别结果存储于区块中。
[0080]
在区块链技术中，交易数据以电子记录的形式被永久储存下来，存放这些电子记录的文件我们称之为“区块”。
[0081]
区块是按时间顺序一个个先后生成的，每一个区块记录有它在被创建期间发生的所有交易，所有区块汇总起来形成一个链式的记录合集。由于不同区块链系统中，节点的吞吐率不同，因此，在不同区块链系统中，区块的大小可能也不同。
[0082]
可以看出，区块中记录有该区块生成时间段内用户的倾向性识别结果，因此，区块的主体实际上是用户的倾向性识别结果的合集。每一种区块链的结构设计可能不完全相同，但区块通常包括区块头(header)和区块体(body)两部分。
[0083]
其中，区块头主要用于记录当前区块的特征值，可以包括当前区块的标识(如区块的编号)、当前区块中区块体的哈希值、时间戳(用于表示该区块的生成时间)、交易数量(transaction count)和随机数(nonce)等信息中的至少一种信息，此外，区块头还可以包括前一区块的哈希值(具体为前一区块中区块头的哈希值)。
[0084]
区块头包括有多个特征值，在确定该区块的哈希值时，需要将该区块头中的各个特征值按照顺序连接在一起，以组成一个字符串，再对这个字符串计算哈希值。由于不同区块的区块头所包括的特征值的数值通常不同，因此，每一区块均唯一对应一个哈希值。
[0085]
基于每一区块均唯一对应一个哈希值，且每个区块的区块头均包括有前一区块的哈希值，这样，多个区块即可形成区块链。
[0086]
区块体可以包括多个交易数据。对于每一交易数据而言，区块体还包括客户端的证书(用于说明交易的发起端)、背书节点的证书以及背书节点针对该交易的签名等信息。可选的，对于每一笔交易而言，区块体还可以包括排序节点(或称为共识节点)对该笔交易的签名。这里的签名均用于表示与该签名对应的设备对交易的鉴权，证书均用于表示身份。
[0087]
上述签名和证书等数据均用于对交易数据的验证，这些数据通常占用区块体中70％的存储空间。
[0088]
示例性的，表1示出了区块的一种结构形式。当然，区块的结构不仅仅局限于表1所示，且各个结构的取值也不仅仅局限于表1。
[0089]
表1
[0090][0091]
一些示例中，也可以将s103为目标用户确定的推荐产品存储于区块。
[0092]
s105、向其他节点发送区块，以使得其他节点对应的电子设备存储倾向性识别结果，以及倾向性识别结果对应用户的行为数据。
[0093]
将用户的倾向性识别结果存储于区块中之后，服务器节点向其他节点发送区块，以使得其他节点共享包括用户的倾向性识别结果的区块，进而通过区块链系统实现用户推荐产品的管理。
[0094]
本技术涉及到的用户的倾向性识别结果可以统称为“交易数据”。交易数据是指用户通过任一节点创建，并需要最终发布至区块链的分布式数据库中的一笔数据。
[0095]
本技术实施例中，倾向性识别模型结合各个用户对各类产品的行为数据，可以自动预测对各类产品的购买概率，由于倾向性识别模型是基于倾向性评分法确定的数据集训练得到的，因此可以提高倾向性识别模型预测推荐产品的准确性，提高产品推荐的成功率。且通过将目标用户的倾向性识别结果存储于区块，并通过区块链共享该区块，可以实现所有商家共享产品推荐信息，以提高各个商家共享用户行为数据的积极性。
[0096]
一些实施例中，如图3所示，在步骤s101之前，还包括s201
‑
s202。
[0097]
s201、获取用户的产品行为数据。
[0098]
其中，产品行为数据标注有产品类型标签和产品倾向性标签。
[0099]
具体地，这里用户的产品行为数据可以组成训练模型所用的训练数据集。其中包括各个产品的类型以及用户对这些类型产品的倾向性，产品行为数据中包括的产品类型与上述获取的目标用户的行为数据中的产品类型相同。若这里产品行为数据中产品类型标签包括n个，则上述目标用户的行为数据中也包括对n个类型产品的了解、购买等信息，且产品行为数据中的各类产品与目标用户的行为数据中的各类产品相同。
[0100]
示例性的，产品类型标签可以包括第一产品、第二产品、第三产品、第四产品等，产品类型标签对应的产品倾向性标签可以为yynyn等，y可以为1，n可以为0，1用于指示用户倾向于对应的产品，0用于指示用户不倾向于对应的产品。
[0101]
需要说明的是，由于这里用户的产品行为数据为模型训练时的训练数据集，因此这里可以获取成百上千个用户的产品行为数据，使其组成训练数据集。产品行为数据还包括各个用户对各类产品的行为数据，即训练数据集还包括各个用户对各类产品的了解、购买等信息。其中，用户对各类产品的行为数据可以作为模型训练的输入，各户对各类产品的产品行为数据可以作为模型训练的输出。
[0102]
s202、根据用户的产品行为数据和神经网络训练，得到倾向性识别模型。
[0103]
示例性的，在确定模型训练的训练数据集之后，可以以神经网络为基准模型进行训练，得到倾向性识别模型。如神经网络可以为长短期记忆网络(long short term memory，lstm)，通过将训练数据集不断调整该神经网络的参数即可以得到倾向性识别模型。神经网络的具体调参过程可以参照本领域的模型训练过程，这里不再赘述。
[0104]
根据用户的产品行为数据训练倾向性识别模型，提高了倾向性识别模型的预测准确性；通过倾向性识别模型结合用户的行为数据能够快速确定为其推荐的产品，能够提高产品推荐的成功率。
[0105]
一些实施例中，结合图3，如图4所示，步骤s202包括s2021
‑
s2026。
[0106]
s2021、基于产品行为数据对神经网络进行产品倾向性的识别训练，得到目标产品倾向性预测结果。
[0107]
s2022、基于产品行为数据对神经网络进行产品类型的识别训练，得到目标产品类型预测结果。
[0108]
具体地，步骤s202训练的神经网络模型可以包括产品倾向性识别模块和产品类型识别模型，即倾向性识别模型包括产品倾向性识别模型和产品类型识别模型。
[0109]
其中，产品类型识别模型可以根据产品的属性信息将对应的产品识别为所属的产品类型，如可以将第一产品和第二产品识别为第一类型产品，将第三产品和第四产品识别为第二类型产品等。产品倾向性识别模型可以根据用户对产品的行为数据确定用户对相应产品的倾向性，如用户对第一产品的倾向性识别结果，对第二产品的倾向性识别结果等。
[0110]
为使倾向性识别模型能够实现上述产品倾向性识别模型和产品类型识别模型的功能，还需要分别对神经网络进行训练，以得到产品倾向性识别模型和产品类型识别模型。为实现产品倾向性识别模型和产品类型识别模型的训练，上述的产品行为数据包括用户的行为数据，还包括相关产品的属性信息。
[0111]
基于用户的行为数据可以训练神经网络，得到产品倾向性识别模型；基于相关产品的属性信息可以训练神经网络，得到产品类型识别模型。
[0112]
示例性的，如图5所示，提供一种倾向性识别模型的结构图，该倾向性识别模型包
括产品倾向性识别模型和产品类型识别模型。当然，倾向性识别模型中还包括其他结构，图中未示出。
[0113]
s2023、根据目标产品倾向性预测结果和产品倾向性标签确定目标倾向性损失值，根据目标产品类型预测结果与产品类型标签确定目标类型损失值。
[0114]
s2024、将目标倾向性损失值和目标类型损失值之和确定为目标损失值。
[0115]
具体地，由于神经网络的训练数据集中包括各个数据对应的产品类型标签和产品倾向性标签，因此在产品倾向性识别模型和产品类型识别模型训练的过程中，可以将产品倾向性识别模型输出的目标产品倾向性预测结果与产品倾向性标签进行比较，确定目标倾向性损失值；将产品类型识别模型输出的目标产品类型预测结果与产品类型标签进行比较，确定目标类型损失值。
[0116]
进一步的，可以将目标倾向性损失值和目标类型损失值之和确定为目标损失值。
[0117]
需要说明的是，上述的目标倾向性损失值和目标类型损失值可以通过损失函数确定，如损失函数可以为均方误差函数，对此本技术不做限定。
[0118]
s2025、在目标损失值不满足预设条件时，调整神经网络的参数，重复上述模型训练步骤。
[0119]
s2026、在目标损失值满足预设条件时，将当前神经网络确定为产品倾向性识别模型。
[0120]
示例性的，预设条件可以为产品倾向性识别模型的目标损失值小于第二阈值。如第二阈值可以为q，若目标损失值小于q，则可以停止模型训练，并将此时得到的模型作为产品倾向性识别模型。
[0121]
一些示例中，上述预设条件还可以为产品倾向性识别模型训练次数大于第一阈值。如第一阈值可以为p，若产品倾向性识别模型的训练次数大于p，则可以停止模型训练，并将此时得到的模型作为产品倾向性识别模型。
[0122]
当然，在神经网络调参的过程中，若目标损失值不满足预设条件，或模型训练次数不满足预设条件，则继续训练模型，不断调整神经网络的参数，直至目标损失值满足预设条件或模型训练次数满足预设条件。
[0123]
需要说明的是，上述的模型训练为本领域惯用的技术手段，这里不再赘述。
[0124]
上述实施例提供一种倾向性识别模型的训练过程，神经网络仅为示例性的，本领的技术人员也可以通过其他模型训练倾向性识别模型。
[0125]
一些实施例中，在上述神经网络模型为长短期记忆神经网络时，包括特征提取层、全连接层和逻辑回归层。
[0126]
其中，特征提取层用于提取行为数据的行为特征；全连接层用于综合特征提取层提取的行为特征，并将其拼接为目标向量，作为逻辑回归层的输入；逻辑回归层用于将全连接层的输出结果转换为用户对产品的倾向性识别结果。这里的行为特征可以为上述对相关产品的了解、购买等信息。
[0127]
一些可能的方式中，全连接层通过下列公式对输出参数进行非线性变换：
[0128]
y＝f(wx b)；
[0129]
其中，f为激活函数，w为权重矩阵，x为全连接层的输入，b为偏置向量。
[0130]
逻辑回归层通过下列公式确定倾向性识别结果：
[0131][0132]
其中，z
j
＝w'x
j
b'，x
j
为全连接层的输出，w'为逻辑回归层的权重矩阵，b'为偏置向量，k为倾向性识别模型输入的产品数。
[0133]
需要说明的是，上述的全连接层可以包括多个，如第一全连接层、第二全连接层和第三全连接层，逻辑回归层也可以包括多个，如第一逻辑回归层、第二逻辑回归层和第三逻辑回归层，这些全连接层和逻辑回归层一一对应。全连接层中的每个节点均与上一层(特征提取层)的所有节点相连，用于把前边提取到的特征综合起来，将拼接后的长向量输入到全连接层，全连接层即可以对输入的向量特征进行上述非线性变换输出；全连接层的输出即为逻辑回归层的输入，将相应的全连接层的输出结果转化为产品倾向性识别结果，具体过程可以参照上述逻辑回归层对应的公式。
[0134]
第一全连接层和第一逻辑回归层可以训练上述产品倾向性识别模型，第二全连接层和第二逻辑回归层可以训练上述产品类型识别模型，第三全连接层和第三逻辑回归层可以根据第一逻辑回归层和第二逻辑回归层的输出训练倾向性识别模型。
[0135]
具体地，依据上述内容，各个全连接层和逻辑回归层可以根据下列方式训练：
[0136]
根据用户的产品行为数据训练第一全连接层和第一逻辑回归层，得到产品倾向性识别模型。
[0137]
根据用户的产品行为数据训练第二全连接层和第二逻辑回归层，得到产品类型识别模型。
[0138]
根据产品倾向性识别模型的输出特征和产品类型识别模型的输出特征训练第三全连接层和第三逻辑回归层得到倾向性识别模型。
[0139]
这里各个模型的训练可以参照上述实施例，或根据本领域惯用的技术手段实现，这里不再赘述。相应的，这些模型的训练过程中均具有对应的损失值，调参过程及模型训练停止条件可以参照上述方法，这里不再赘述。
[0140]
本发明实施例提供的基于神经网络的产品倾向性识别方法，通过倾向性评分法确定训练倾向性识别模型的数据集，根据倾向性评分法确定的数据集可以提高数据集中用户与推荐产品之间的准确性；因此，在将该数据集作为训练数据集训练倾向性识别模型时，能够提高该倾向性识别模型预测推荐产品的准确性。且本技术通过区块链存储用户的倾向性识别结果，能够实现快速、安全地共享数据，且通过区块链共享该结果，可以实现所有商家共享产品推荐信息，以提高各个商家共享用户行为数据的积极性。
[0141]
需要说明的是，本技术实施例提供的基于神经网络的产品倾向性识别方法，执行主体可以为基于神经网络的产品倾向性识别装置，或者该基于神经网络的产品倾向性识别装置中的用于执行基于神经网络的产品倾向性识别方法的相应模块。本技术实施例中以基于神经网络的产品倾向性识别装置执行基于神经网络的产品倾向性识别方法为例，说明本技术实施例提供的基于神经网络的产品倾向性识别装置。
[0142]
需要说明的是，本技术实施例中，上述各个方法附图所示的基于神经网络的产品倾向性识别方法均是以结合本技术实施例中的一个附图为例示例性的说明的。具体实现时，上述各个方法附图所示的基于神经网络的产品倾向性识别方法还可以结合上述实施例中示意的其它可以结合的任意附图实现，此处不再赘述。
[0143]
图6为本实施例提供的一种基于神经网络的产品倾向性识别装置30的基本结构示意图。
[0144]
如图6所示，一种基于神经网络的产品倾向性识别装置30，包括：获取模块301，用于获取目标用户的行为数据；行为数据用于指示目标用户对目标产品库内各类产品的使用信息。
[0145]
识别模块302，用于基于预先训练的倾向性识别模型提取获取模块301获取的行为数据的产品倾向特征，得到目标用户对各类产品的倾向性识别结果；倾向性识别模型为根据倾向性评分法确定的倾向性数据集训练得到的。
[0146]
确定模块303，用于根据识别模块302确定的目标用户对各类产品的倾向性识别结果，确定目标用户的推荐产品。
[0147]
区块链模块304，用于将确定模块确定的倾向性识别结果，以及倾向性识别结果对应用户的行为数据存储于区块内；区块应用于区块链；区块链用于向区块链内的各个节点共享倾向性识别结果，以及倾向性识别结果对应用户的行为数据。
[0148]
区块链模块304，还用于向其他节点发送区块，以使得其他节点对应的电子设备存储倾向性识别结果，以及倾向性识别结果对应用户的行为数据。
[0149]
在一些方式中，上述装置30还包括训练模块305。
[0150]
在获取目标用户的行为数据之前，获取模块301，还用于获取用户的产品行为数据；产品行为数据标注有产品类型标签和产品倾向性标签。
[0151]
训练模块305，用于根据获取模块获取的用户的产品行为数据和神经网络训练，得到倾向性识别模型。
[0152]
在一些方式中，训练模块305，具体用于：基于产品行为数据对神经网络进行产品倾向性的识别训练，得到目标产品倾向性预测结果；基于产品行为数据对神经网络进行产品类型的识别训练，得到目标产品类型预测结果；根据目标产品倾向性预测结果和产品倾向性标签确定目标倾向性损失值，根据目标产品类型预测结果与产品类型标签确定目标类型损失值；将目标倾向性损失值和目标类型损失值之和确定为目标损失值；在目标损失值不满足预设条件时，调整神经网络的参数，重复上述模型训练步骤；在目标损失值满足预设条件时，将当前神经网络确定为倾向性识别模型。
[0153]
在一些方式中，预设条件为目标损失值小于第二阈值。
[0154]
在一些方式中，上述神经网络模型为长短期记忆神经网络，包括特征提取层、全连接层和逻辑回归层；特征提取层用于提取行为数据的行为特征；全连接层用于综合特征提取层提取的行为特征，并将其拼接为目标向量，作为逻辑回归层的输入；逻辑回归层用于将全连接层的输出结果转换为用户对产品的倾向性识别结果。
[0155]
在一些方式中，上述全连接层通过下列公式对输出参数进行非线性变换：
[0156]
y＝f(wx b)。
[0157]
其中，f为激活函数，w为权重矩阵，x为全连接层的输入，b为偏置向量。
[0158]
上述逻辑回归层通过下列公式确定倾向性识别结果：
[0159][0160]
其中，z
j
＝w'x
j
b'，x
j
为全连接层的输出，w'为逻辑回归层的权重矩阵，b'为偏置
向量。
[0161]
在一些方式中，全连接层包括第一全连接层、第二全连接层和第三全连接层，逻辑回归层包括第一逻辑回归层、第二逻辑回归层和第三逻辑回归层。
[0162]
训练模块305，具体用于：根据用户的产品行为数据训练第一全连接层和第一逻辑回归层，得到产品倾向性识别模型；根据用户的产品行为数据训练第二全连接层和第二逻辑回归层，得到产品类型识别模型；根据产品倾向性识别模型的输出特征和产品类型识别模型的输出特征训练第三全连接层和第三逻辑回归层得到倾向性识别模型。
[0163]
本技术实施例中的基于神经网络的产品倾向性识别装置可以是装置，也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra
‑
mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本技术实施例不作具体限定。
[0164]
本技术实施例提供的基于神经网络的产品倾向性识别装置能够实现图2至图4所示的方法实施例中的各个过程，为避免重复，这里不再赘述。
[0165]
本实施例中各种实现方式具有的有益效果具体可以参见上述方法实施例中相应实现方式所具有的有益效果，为避免重复，此处不再赘述。
[0166]
本技术实施例提供的基于神经网络的产品倾向性识别装置，通过倾向性评分法确定训练倾向性识别模型的数据集，根据倾向性评分法确定的数据集可以提高数据集中用户与推荐产品之间的准确性；因此，在将该数据集作为训练数据集训练倾向性识别模型时，能够提高该倾向性识别模型预测推荐产品的准确性。
[0167]
为解决上述技术问题，本发明实施例还提供一种计算机设备。具体请参阅图7，图7为本实施例计算机设备基本结构框图。
[0168]
如图7所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种基于神经网络的产品倾向性识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种基于神经网络的产品倾向性识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0169]
本实施方式中处理器用于执行图6中获取模块301、识别模块302、确定模块303、区块链模块304和训练模块305的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有基于神经网络的产品倾向性识别装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
[0170]
本实施例提供的计算机设备，通过倾向性评分法确定训练倾向性识别模型的数据集，根据倾向性评分法确定的数据集可以提高数据集中用户与推荐产品之间的准确性；因此，在将该数据集作为训练数据集训练倾向性识别模型时，能够提高该倾向性识别模型预测推荐产品的准确性。
[0171]
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例基于神经网络的产品倾向性识别方法的步骤。
[0172]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0173]
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例基于神经网络的产品倾向性识别方法的步骤。
[0174]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)等非易失性存储介质，或随机存储记忆体(random access memory，ram)等。
[0175]
本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0176]
以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。